通过对大量英语小说进行预训练的作者验证模型编码以角色的引用，本研究探索了角色的文体表征，并且结果表明这些模型中融合的文体和主题信息能够准确区分角色，但在归属引用方面并没有必要超过仅有语义的模型，然而这些结果在小说之间存在差异，因此在文学文本和角色研究领域需要进行更多针对性的文体测量模型的研究。

Jan, 2024

本研究使用 NLP 技术中的 lemmatization 和 parsing，研究了词语和语法标记对于作者风格识别的效果，并在多种标记类型下进行了分类准确度的对比，结果显示虽然其性能较字词标记差，但不相差的程度不超过 15%。

Jun, 2022

使用解释框架从多语言语言模型中提取风格差异，比较不同语言之间的风格差异，探索礼貌在四种语言中的变化，进一步评估不同语言类别如何对风格变化做出贡献，并提供人们在全球范围内沟通差异的可解释性见解。

Oct, 2023

研究发现，与语言中其他单词相比单词的独特性在识别流畅口语中的作用至关重要，且这种独特性可以通过语言的声音或字符序列的统计模型来测量，这也可以解释为什么短的单词反而较少使用；这一发现提供了证据表明听众的处理负担在跨语言的单词形式的微观层面起着关键性作用。

Mar, 2017

我们开发了一种定量方法来评估美国诗歌的风格，并将诗集可视化以相互关联。我们通过定性诗歌评论指导我们开发了分析各种拼字、句法和音素特征的度量标准，这些特征用于从诗歌的多层潜在结构中发现全面的风格信息，并计算诗歌之间的距离。可视化提供了对分析组件的便捷访问。我们在几个诗歌集上展示了我们的方法，显示出它比传统的词出现特征在典型文本分析算法中使用的方法更好地描绘了诗歌风格。我们的方法在学术研究文本、对诗歌的直观个人反应的研究以及根据读者喜爱的诗歌进行推荐方面具有潜在的应用。

Oct, 2023

本文研究社区语言的语言风格，通过分析 3 个社交媒体平台上涉及政治，电视和旅游的 9 个在线社区的 262 个特征来验证社区确实具有独特的风格，并发现语言风格是群体成员身份的良好预测器（F 值为 0.952，准确度为 96.09%），并且相对于仅使用内容预测来说，它对训练数据的减少更有韧性。

Sep, 2022

本章提出了更明智的文本风格变异统计目标，主要分别从文本学和应用角度阐述了在受众阅读经验的基础上制定的目标所必须具备的关键概念：相关性、有效性和实用性，并探讨了文本风格的变异因素是个体选择而非纯文本特征本身，而读者对特定文本的评价通常基于文体类型的分类。

May, 2022

通过大规模的跨作者比较，我们引入了一种新方法来通过识别和编码风格特征来研究 idiolects，神经模型在短文本上实现了强大的作者识别性能，并通过类比探测任务展示出学习到的表示具有惊人的规律性，在文本扰动中，我们量化了不同语言元素对 idiolectal 变化的相对贡献，同时通过测量互作者和内作者的变化来描述 idiolects，这些结果表明 idiolectal 的变化具有独特而一致的特征。

Sep, 2021

本研究通过应用机器学习分析手段，对莎士比亚的作品进行文体统计学预测，结果表明莎翁的写作风格随时间发生了显著变化，其中包括句子长度、形容词和副词的频率，以及文本中表达的情感。此外，还发现有些作品的文体与它们的实际创作时间不太相似。

Jan, 2023

通过深度学习模型，特别是包含字符 n-grams 和句法信息的模型，学习的表示方式有望提高跨领域的表示泛化能力，从而选择适当的文体特征在不同场景下实现更准确的作者识别。

Sep, 2023